Два вида памяти для AI агентов: почему смешивать оперативную память и базу знаний — архитектурная ошибка

Разработчики AI агентов давно борются с одной и той же проблемой: как дать агенту память, которая сохраняется? Контекстные окна заканчиваются, сессии меняются, и агент "забывает" всё. Теперь вырисовывается более чёткая модель — не один тип памяти, а две отдельные системы с разными функциями.

На этой неделе @garrytan (Гэрри Тан, президент Y Combinator) поделился инсайтом японского сообщества разработчиков, который сформулировал это разграничение точно:

OpenClaw memory — "оперативная память агента". Здесь хранятся: предпочтения, рабочие правила, текущий контекст проекта. Как RAM в компьютере — быстрая, контекстуальная, операционная.

GBrain — "внешний мозг мировых знаний". Здесь хранится информация о людях, компаниях, встречах, идеях. Семантический поиск по заметкам, документам и базе контактов. Как долгосрочная память с интеллектуальным поиском.

Рассмотрим два разных вопроса, которые может получить AI агент:

Вопрос 1: "Как я хочу, чтобы ты общался с клиентами?" — это работает через оперативную память. Агент должен знать стиль общения, правила, предпочтения.

Вопрос 2: "Что мы обсуждали с ООО 'Балтика' на последней встрече?" — это работает через мировые знания. Агент должен искать конкретную информацию о конкретном субъекте.

Оба вопроса выглядят похоже, но требуют разных механизмов. Смешать их — получите либо медленную систему (если всё в семантическом поиске), либо "амнезийную" (если всё в контексте, который заканчивается).

По модели, которой поделился @garrytan, обе системы работают через единый интерфейс — CLI-команды и MCP-сервер. Агент может:

1. Проверять операционные правила (OpenClaw memory) перед каждым действием
2. Искать контекстную информацию (GBrain) когда нужны конкретные факты
3. Обновлять обе системы после каждой сессии

Конкретный пример из практики: разработчик @SajiBhai011 опубликовал, что проиндексировал 116 страниц заметок из Obsidian, разбитых на 479 чанков, через свою систему GBrain. Теперь можно задать вопрос и получить ответ из собственной базы знаний — не из интернета, не из обучающих данных модели, а из личных документов.

Как написал @kakumaeda (ретвитнул @garrytan): "OpenClaw memory — это 'оперативная память агента', GBrain — 'внешний мозг мировых знаний'... будет обеспечена кросс-агентная работа через CLI и MCP-сервер." — X

Эта архитектура важна для всех, кто строит или планирует строить AI агентов для бизнес-процессов. На практике:

• Оперативная память: стиль общения, правила продукта, процедуры эскалации

• Мировые знания: история конкретных клиентов, предыдущие разговоры, детали соглашений

• Оперативная память: скрипт продаж, ответы на возражения

• Мировые знания: конкретные контакты, профили компаний, история сделок

• Оперативная память: личные предпочтения, рабочий стиль

• Мировые знания: проектные документы, протоколы встреч, база идей

Архитектура двойной памяти — не технический курьёз, а практический ответ на реальную проблему: AI агенты должны знать и как себя вести (правила), и о чём говорить (факты). Смешать эти две функции — главная ошибка при создании долгосрочных агентов.

Европейский бизнес, внедряющий AI агентов в ключевые процессы, должен проектировать с учётом обеих систем. Инструментарий быстро созревает, архитектурный паттерн становится очевидным.

WebEdge.dev внедряет мультиагентные системы для бизнеса в Литве и по всей Европе, включая архитектуру управления памятью по этим принципам.

---

Система оперативной памяти агента — хранит рабочие правила, предпочтения и текущий контекст. Работает через CLI и MCP-сервер.

Система семантического поиска по персональной базе знаний — заметки, документы, контактная информация. Гэрри Тан строит её как отдельный слой поверх Claude/OpenAI.

Для долгосрочных бизнес-агентов — да. Оперативная память обеспечивает последовательное поведение. Мировые знания — фактическую точность.

Да — разработчики уже индексируют заметки из Obsidian через GBrain и строят агентов, которые ищут информацию в персональной базе знаний.